[논문 리뷰] Conv-NILM-Net, a causal and multi-appliance model for energy source separation

Mohamed Alami C., Jérémie Decock외 2명|arXiv (Cornell University)|2022. 10. 01.

Smart Grid Energy Management참고 문헌 34인용 수 5

한 줄 요약

이 논문은 비침습적 부하 모니터링(NILM)에서 종단 간 다기기 에너지 분리에 대한 완전 컨volutional, 인과적 딥러닝 모델인 Conv-NILM-Net을 제안한다. Convtas-Net에 영감을 받아, 학습 가능한 마스크를 사용하는 인코더-디코더 아키텍처를 채택하여 실시간으로 집합 전력 신호를 개별 기기 부하로 분리한다. REDD 및 UK-DALE 데이터셋에서 기존 최고 성능를 기록하며 뿐만 아니라 단지 41,088개의 파라미터만을 사용하여 경쟁 모델보다 훨씬 작으면서도 높은 정확도와 인과성을 유지하여 온라인 응용에 적합하다.

ABSTRACT

Non-Intrusive Load Monitoring (NILM) seeks to save energy by estimating individual appliance power usage from a single aggregate measurement. Deep neural networks have become increasingly popular in attempting to solve NILM problems. However most used models are used for Load Identification rather than online Source Separation. Among source separation models, most use a single-task learning approach in which a neural network is trained exclusively for each appliance. This strategy is computationally expensive and ignores the fact that multiple appliances can be active simultaneously and dependencies between them. The rest of models are not causal, which is important for real-time application. Inspired by Convtas-Net, a model for speech separation, we propose Conv-NILM-net, a fully convolutional framework for end-to-end NILM. Conv-NILM-net is a causal model for multi appliance source separation. Our model is tested on two real datasets REDD and UK-DALE and clearly outperforms the state of the art while keeping a significantly smaller size than the competing models.

연구 동기 및 목표

• 미래 신호 의존성을 피하는 실시간, 인과적 모델을 개발하여 비침습적 부하 모니터링(NILM)에서 다기기 에너지 원천 분리에 활용한다.
• 단일 작업, 비인과적 모델의 한계를 극복하기 위해 공유 표현 학습을 통한 동시에 여러 기기를 분리할 수 있도록 한다.
• 기존 최고 성능 모델들과 비교해 모델 크기와 계산 비용을 줄이며 분리 정확도를 유지하거나 향상시킨다.
• 인과성과 실시간 추론 능력을 확보하여 강화 학습 기반 에너지 관리 시스템에 통합 가능하게 한다.

제안 방법

• 모델은 입력 집합 전력 신호를 잠재 공간에 투영하기 위해 완전 컨volutional 인코더-디코더 아키텍처를 사용한다.
• 분리 모듈은 C개의 고유한 마스크(각 기기당 하나)를 학습하여 잠재 표현에서 개별 기기 신호를 고립시킨다.
• 아키텍처는 명시적으로 인과적이며, 시간 t에서의 예측이 미래 데이터를 포함하지 않고 과거 및 현재 입력에만 의존하도록 보장한다.
• 다기기 원천 분리에 대해 단일 손실 함수를 사용하여 종단 간 엔드투엔드로 훈련되며, 활성화 및 회귀에 별도의 손실 함수를 사용하지 않는다.
• 모델는 Convtas-Net에서 영감을 받아 확장된 컨volution과 잔여 연결을 활용하여 효과적인 장거리 시간적 모델링을 수행한다.
• 두 가지 변형을 평가: 표준 인과 모델과 기기 간 의존성을 모델링하기 위해 게이팅된 선형 유닛(GLU)을 통합한 인과 변형.

실험 결과

연구 질문

• RQ1 단일 종단 간 완전 컨volutional 모델이 계산 비용이 낮은 동시에 다기기 에너지 분리에서 최고 성능를 달성할 수 있는가?
• RQ2 모델 아키텍처에 인과성 조건을 적용함으로써 강화 학습 기반 에너지 관리 시스템에 통합 가능한 실시간 온라인 에너지 분리가 가능한가?
• RQ3 분리기 모듈에 게이팅된 선형 유닛(GLU)을 통합함으로써 기기 상태 간 상호의존성을 모델링함으로써 성능 향상 정도는 어느 정도인가?
• RQ4 기존 최고 성능 모델들이 다중 손실 함수나 깊은 아키텍처를 사용하는 것과 비교해 모델의 파라미터 효율성은 어떠한가?

주요 결과

• Conv-NILM-Net은 REDD 및 UK-DALE 데이터셋에서 최고 성능를 기록하며, REDD의 1층 빌딩에서 티포트의 평균 절대 오차(MAE)가 1.85 W로 seq2point 및 UNET-NILM를 초월한다.
• UK-DALE 데이터셋에서 인과적 변형의 Conv-NILM-Net은 seq2point 대비 총 MAE를 33% 감소시켜 실시간 추론 능력이 뛰어나다는 것을 입증한다.
• REDD의 1층 빌딩에서 냉장고의 F1 스코어는 96.4%로 매우 높으며, MAE는 0.002 W로 저전력 기기의 분리 정확도가 매우 높다는 것을 나타낸다.
• 단지 41,088개의 파라미터만을 사용하여, 경쟁 모델들(예: seq2point의 2920만 개 파라미터)보다 훨씬 작아 배포에 매우 효율적이다.
• GLU를 통합한 인과 변형은 여러 기기에서 성능 향상을 추가로 이끌어내어 기기 간 의존성을 모델링함으로써 분리 정확도 향상이 가능함을 시사한다.
• 단일 작업, 종단 간 엔드투엔드 훈련을 통해 단일 손실 함수를 사용함으로써, UNET-NILM와 같은 다중 손실 접근 방식보다 훈련을 단순화하고 일반화 능력을 향상시킨다.